Introducció a l'Aprenentatge Automàtic

Esteu aquí

Crèdits
6
Tipus
Obligatòria
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
CS
Aquesta asignatura introdueix el concepte i tipus d'aprenentatge automatic. Descriu com disseyar i realitzar experiments consistents, i les metodologies més frequents. També presenta els principals algorismes de aprenentatge automatic, per algunes de les categories de problemes existents.

Professorat

Responsable

  • Dario García Gasulla ( )

Altres

  • Bernat Coma Puig ( )

Hores setmanals

Teoria
2
Problemes
1
Laboratori
1
Aprenentatge dirigit
0
Aprenentatge autònom
4

Competències

Competències Transversals

Transversals

  • CT2 [Avaluable] - Sostenibilitat i Compromís Social. Conèixer i comprendre la complexitat dels fenòmens econòmics i socials típics de la societat del benestar; tenir capacitat per relacionar el benestar amb la globalització i la sostenibilitat; obtenir habilitats per utilitzar de forma equilibrada i compatible la tècnica, la tecnologia, l'economia i la sostenibilitat.
  • CT5 [Avaluable] - Ús solvent dels recursos d'informació. Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació en l'àmbit de l'especialitat i valorar de forma crítica els resultats d'aquesta gestió.
  • CT6 - Aprenentatge autònom. Detectar deficiències en el propi coneixement i superar-les mitjançant la reflexió crítica i l'elecció de la millor actuació per ampliar aquest coneixement.
  • CT8 [Avaluable] - Perspectiva de gènere. Conèixer i comprendre, des de l'àmbit de la titulació mateixa, les desigualtats per raó de sexe i gènere en la societat, i integrar les diverses necessitats i preferències per raó de sexe i gènere en el disseny de solucions i la resolució de problemes.

Bàsiques

  • CB3 - Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes rellevants d'índole social, científica o ètica.

Competències Tècniques

Específiques

  • CE03 - Identificar i aplicar els procediments algorítmics bàsics de les tecnologies informàtiques per dissenyar solucions a problemes, analitzant la idoneïtat i complexitat dels algoritmes proposats.
  • CE04 - Dissenyar i utilitzar de forma eficient els tipus i estructures de dades més adequats a la resolució d'un problema.
  • CE09 - Concebre, dissenyar i integrar sistemes d'anàlisi intel·ligent de dades amb aplicació en entorns de producció i de serveis.
  • CE15 - Adquirir, formalitzar i representar el coneixement humà en una forma computable per a la resolució de problemes mitjançant un sistema informàtic en qualsevol àmbit d'aplicació, particularment els relacionats amb aspectes de computació, percepció i actuació en ambients o entorns intel·ligents.
  • CE20 - Triar i emprar Tècniques de Modelització estadística i anàlisi de dades, avaluant la calidad dels models, validant-i interpretant.

Competències Tècniques Generals

Genèriques

  • CG1 - Concebir, redactar, organitzar, planificar i desenvolupar projectes en l'àmbit de la intel·ligència artificial.
  • CG2 - Utilitzar els coneixements fonamentals i metodologies de treball sòlides adquirits durant els estudis per adaptar-se als nous escenaris tecnològics de el futur.
  • CG3 - Definir, avaluar i seleccionar plataformes maquinari i programari per al desenvolupament i l'execució de sistemes, serveis i aplicacions informàtiques en l'àmbit de la intel·ligència artificial.
  • CG4 - Raonar, analitzant la realitat i dissenyant algoritmes i formulacions que la modelin. Identificar problemes i construir solucions algorísmiques o matemàtiques vàlides, eventualment noves, integrant el coneixement multidisciplinari necessari, valorant diferents alternatives amb esperit crític, justificant les decisions preses, interpretant i sintetitzant els resultats en el context de l'domini d'aplicació i establint generalitzacions metodològiques a partir de aplicacions concretes.
  • CG6 - Identificar oportunitats per a aplicacions innovadores de la intel·ligència artificial i la robòtica en entorns tecnològics en contínua evolució.
  • CG7 - Interpretar i aplicar la legislació vigent, així com especificacions, reglaments i normes en l'àmbit de la intel·ligència artificial.
  • CG8 - Observar un exercici ètic de la professió en totes les seves facetes, aplicant criteris ètics en el disseny de sistemes, algoritmes, experiments, utilització de dades, d'acord amb els sistemes ètics recomanats pels organismes nacionals i internacionals, amb especial èmfasi en seguretat, robustesa , privacitat, transparència, traçabilitat, prevenció de biaixos (de raça, gènere, religió, territori, etc.) i respecte als drets humans.
  • CG9 - Afrontar nous reptes amb una visió àmplia de les possibilitats de la carrera professional en l'àmbit de la Intel·ligència Artificial. Desenvolupar l'activitat aplicant criteris de qualitat i millora contínua, i actuar amb rigor en el desenvolupament professional. Adaptar-se als canvis organitzatius o tecnològics. Treballar en situacions de carència d'informació i/o amb restriccions temporals i/o de recursos.

Objectius

  1. Aprendre els principals métodes d'aprenentatge automátic, i com usar-los de manera adecuada.
    Competències relacionades: CG1, CG2, CG3, CG4, CG8, CT2, CT5, CB3, CE03, CE04, CE09, CE15, CE20,
  2. Interactuar de manera crítica i prudent amb dades i models d'aprenentatge automátic
    Competències relacionades: CG1, CG4, CG7, CG8, CG9, CT6, CT8, CE04,
    Subcompetences:
    • Mantenir una visió crítica i escéptica del comportament dels models
    • Identificar biaxos en les dades
  3. Reconèixer de manera àgil les característiques d'un problema des de l'òptima del aprenentatge automàtic
    Competències relacionades: CG1, CG2, CG4, CG6, CG9, CT5, CE03, CE04, CE09, CE15,
    Subcompetences:
    • Proposar els tipus d'aprenentatge més adients per un problema
    • Identificar potencials anàlisis de rellevancia sobre un conjunt de dades

Continguts

  1. Introducció al Aprenentatge Automátic.
    Tipus bàsics d'aprenentatge. Per a que es poden usar cadascun, propòsits i limitacions principals. Inclou un conjunt de advertències i comprovacions a tindre presents al treballar amb l'aprenentatge automàtic.
  2. Disseny d'experiments en aprenentatge automátic.
    Us de dades per aprenentatge. Com dissenyar, executar i evaluar experiments realitzats amb tècniques d'aprenentatge automátic.
  3. Preprocessament de dades
    Distribucions, normalizacións i standaritzacions de dades. Com i per que preparar les dades a ser processades per algorismes d'aprenentatge automática.
  4. Regressió aplicada
    Casos práctics de regressió
  5. Reduccio de dimensionalitat
    Revisió dels principals mètodes per reduir la dimensionalitat de les dades: PCA, UMAP, T-SNE, ...
  6. Classificació: Conceptes previs i revisió de mètodes bàsics
    S'estudien les mesures de distància i es relacionen amb el concepte de versmeblança, que permet després bastir i comparar una gran quatitat de mètodes. Revisió del K-Nearest Neighbour com a marc senzill i extensió a d'altres mètodes.
  7. Métodes de classificació basats en altres criteris.
    Support Vector Machines, Xarxes Neuronals (arquitectures clássiques) i Arbres de Decisió.
  8. Multiclassificació
    S'estudien els principals mètodes de combinació de mètodes d'aprenentatge "febles" per tal d'obtenir models més robustos: Boosting, Bagging, GAMs, EBMs, Ensembles
  9. Explicabilitat
    Rellevància, ús i métodes d'explicabilitat. S'estudien diverses mètodes per tal de poder interpretar i explicar el funcionament i resultat dels algoritmes d'aprenentage automàtic, una necessitat bàsica per la implantació i acceptació d'aquests mètodes. Es plantegen les bases per la Explainable AI (Intel·ligència Artificial Explicable).
  10. Clustering
    Es revisen les bases dels mètodes clàssics d'obtenció de grups de dades significatius en absència d'informació de classe i/o estructures prèvies. K-means, Hierarchical Clustering, Spectral Clustering, DBSCAN.
  11. Algoritmes genètics


    Introducció als algoritmes genètics, com a primera visió de mètodes daprenentatge bioinspirats. Es revisen les bases conceptuals i matemàtiques dels principals operadors de mutació, crossover i les variants representacionals.
  12. Aprenentatge Automátic en grafs
    L'estructura de graf està molt extesa en diversos entorns i ha donat lloc a tota una disciplina, la Ciència de les Xarxes, on es treballa sobre propietats estructurals dels grafs per derivar propietats i conclusions sobre el fenòmen o àmbit que s'estudia. Aquest tipus d'aprenentatge és especialment important en aplicacions d'internet, cerca o aplicacions de recomanació o detecció de coneixement. Detecció de comunitats, predicció d'arestes, etc.

Activitats

Activitat Acte avaluatiu


Introducció al Aprenentatge Automátic

Tipus, proposits i limitacions.
Objectius: 1 2
Continguts:
Teoria
6h
Problemes
6h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
2h

Preprocessat i manipulació de dades


Objectius: 1 3
Continguts:
Teoria
4h
Problemes
4h
Laboratori
6h
Aprenentatge dirigit
0h
Aprenentatge autònom
8h

Teoria
18h
Problemes
10h
Laboratori
20h
Aprenentatge dirigit
2h
Aprenentatge autònom
20h

Altres aspectes del aprenentatge automátic


Objectius: 1 2 3
Continguts:
Teoria
8h
Problemes
4h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
6h

Primer Parcial


Objectius: 1
Setmana: 5
Tipus: examen de teoria
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Segon Parcial


Objectius: 1
Setmana: 12
Tipus: examen de teoria
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
4h

Final


Objectius: 1
Setmana: 15 (Fora d'horari lectiu)
Tipus: examen final
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
2h
Aprenentatge autònom
6h

Evaluació de práctiques


Objectius: 1
Setmana: 16 (Fora d'horari lectiu)
Tipus: examen de laboratori
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
10h

Metodologia docent

Classes interactives de contingut teoric. Sessions de laboratori relativament autónomes de contingut práctic.

Mètode d'avaluació

L'assignatura consta de dos examens parcial (P1,P2) i un final (F).
El laboratori sera evaluat de manera continua (LC), i mitjançan't una entrega (LF).

Nota final = (0.2*P1) + (0.2*P2) + (0.3*F) + (0.1*LC) + (0.2*LF)

Bibliografia

Bàsica:

Capacitats prèvies

Comprendre el flux de computació d'un sistema de programari.
Entendre els conceptes basics darrere de l'inferencia, la deducció i el raonament basat en evidencies.
Estar familiaritzat amb les distribucions de dades, el preprocessat básic i com variables numériques poden representar informació.